Regional climate projections using a deep-learning-based model-ranking and downscaling framework: Application to European climate zones

📄 arXiv: 2502.20132v2 📥 PDF

作者: Parthiban Loganathan, Elias Zea, Ricardo Vinuesa, Evelyn Otero

分类: cs.LG, math.NA

发布日期: 2025-02-27 (更新: 2025-02-28)

备注: This manuscript has been submitted to Environmental Science and Pollution Research (ESPR) for review

💡 一句话要点

提出基于深度学习的模型排名与降尺度框架以提高区域气候预测精度

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 区域气候预测 深度学习 模型排名 降尺度 气候变化 多模型评估 Transformer

📋 核心要点

  1. 现有的全球气候模型在区域气候预测中存在分辨率不足的问题，导致预测精度不高。
  2. 本研究提出了一种基于深度学习的多模型评估与降尺度框架，通过DL-TOPSIS机制对CMIP6模型进行排名并优化输出。
  3. 实验结果表明，GeoSTANet在温度极值捕捉方面表现优异，RMSE降低20%，验证了多标准排名在区域气候研究中的有效性。

📝 摘要（中文）

准确的区域气候预测需要对全球气候模型（GCMs）进行高分辨率降尺度。本研究提出了一种基于深度学习的多模型评估与降尺度框架，通过深度学习-TOPSIS（DL-TOPSIS）机制对32个耦合模型比较项目第六阶段（CMIP6）模型进行排名，并利用先进的深度学习模型优化输出。研究涵盖了五个柯本-盖杰气候区，并使用九个性能标准进行评估。结果显示，NorESM2-LM、GISS-E2-1-G和HadGEM3-GC31-LL模型表现优于其他模型，GeoSTANet在捕捉温度极值方面表现最佳，RMSE为1.57°C，相较于ConvLSTM降低了20%。该框架为高分辨率气候预测提供了一种可扩展的方法，具有重要的影响评估和适应计划价值。

🔬 方法详解

问题定义：本研究旨在解决全球气候模型（GCMs）在区域气候预测中的高分辨率降尺度问题。现有方法往往无法有效捕捉区域气候的细微变化，导致预测结果的准确性不足。

核心思路：论文提出了一种基于深度学习的多模型评估与降尺度框架，利用深度学习-TOPSIS（DL-TOPSIS）机制对多个GCM进行排名，从而选择最佳模型进行降尺度。该方法通过综合多个性能标准，提高了模型选择的科学性和准确性。

技术框架：整体架构包括两个主要模块：首先是模型评估与排名模块，使用DL-TOPSIS对32个CMIP6模型进行评估；其次是降尺度模块，采用四种深度学习模型（GeoSTANet、ViT、CNN-LSTM、ConvLSTM）将选定的GCM输出降尺度至0.1°分辨率。

关键创新：最重要的技术创新在于引入了DL-TOPSIS机制进行多模型评估与排名，显著提高了GCM选择的准确性。此外，基于Transformer的降尺度方法在性能上超越了传统的深度学习方法。

关键设计：在模型设计中，GeoSTANet采用了注意力机制和不平衡感知网络，优化了对温度极值的捕捉能力。损失函数和参数设置经过精细调整，以确保模型在不同气候区的适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，GeoSTANet在捕捉温度极值方面表现最佳，RMSE为1.57°C，KGE为0.89，NSE为0.85，相关性达到0.92，相较于ConvLSTM降低了20%的RMSE。这些结果验证了多标准排名和Transformer模型在降尺度中的有效性。

🎯 应用场景

该研究的框架可广泛应用于气候变化影响评估、环境政策制定和适应计划等领域。通过提高区域气候预测的精度，能够为决策者提供更可靠的数据支持，帮助应对气候变化带来的挑战。

📄 摘要（原文）

Accurate regional climate forecast calls for high-resolution downscaling of Global Climate Models (GCMs). This work presents a deep-learning-based multi-model evaluation and downscaling framework ranking 32 Coupled Model Intercomparison Project Phase 6 (CMIP6) models using a Deep Learning-TOPSIS (DL-TOPSIS) mechanism and so refines outputs using advanced deep-learning models. Using nine performance criteria, five Köppen-Geiger climate zones -- Tropical, Arid, Temperate, Continental, and Polar -- are investigated over four seasons. While TaiESM1 and CMCC-CM2-SR5 show notable biases, ranking results show that NorESM2-LM, GISS-E2-1-G, and HadGEM3-GC31-LL outperform other models. Four models contribute to downscaling the top-ranked GCMs to 0.1$^{\circ}$ resolution: Vision Transformer (ViT), Geospatial Spatiotemporal Transformer with Attention and Imbalance-Aware Network (GeoSTANet), CNN-LSTM, and CNN-Long Short-Term Memory (ConvLSTM). Effectively capturing temperature extremes (TXx, TNn), GeoSTANet achieves the highest accuracy (Root Mean Square Error (RMSE) = 1.57$^{\circ}$C, Kling-Gupta Efficiency (KGE) = 0.89, Nash-Sutcliffe Efficiency (NSE) = 0.85, Correlation ($r$) = 0.92), so reducing RMSE by 20% over ConvLSTM. CNN-LSTM and ConvLSTM do well in Continental and Temperate zones; ViT finds fine-scale temperature fluctuations difficult. These results confirm that multi-criteria ranking improves GCM selection for regional climate studies and transformer-based downscaling exceeds conventional deep-learning methods. This framework offers a scalable method to enhance high-resolution climate projections, benefiting impact assessments and adaptation plans.